7 Soft computing. 7.1 Bayesovské sítě
|
|
- Blažena Bláhová
- před 5 lety
- Počet zobrazení:
Transkript
1 7 Soft computing Jak již bylo řečeno v předcházející kapitole, zpracování neurčitosti v umělé inteligenci je zastřešeno souhrnným označením soft computing. V této kapitole se podíváme na základní přístupy některých sem řazených metod: neuronových sítí a genetických algoritmů. Připomeneme si i bayesovské sítě a fuzzy přístupy, které jsme již poznali v předcházející kapitole. 7.1 Bayesovské sítě Bayesovská síť je acyklický orientovaný graf zachycující pomocí hran pravděpodobnostní závislosti mezi náhodnými veličinami. Ke každému uzlu u (náhodné veličině) je přiřazena pravděpodobnostní distribuce tvaru P(u rodiče(u)), kde rodiče(u) jsou uzly, ze kterých vycházejí hrany do uzlu u. Uspořádejme (a očíslujme) všechny uzly sítě tak, že rodiče jsou před svými dětmi (mají nižší pořadové číslo). Potom pro každý uzel u i platí, že je podmíněně nezávislý na všech uzlech s nižším pořadovým číslem s výjimkou svých rodičů podmíněno svými rodiči 1 : ui {uk}k1,,i-1\ rodiče(ui) rodiče(ui). To umožňuje spočítat sdruženou pravděpodobnostní distribuci celé sítě jako n P(u1,.,un) P(ui rodiče(ui)) i1 Má-li tedy bayesovská síť podobu uvedenou na Obr. 1 2, bude mít sdružená distribuce tvar P(Z,K,D,M) P(Z) P(K Z) P(D Z) P(M K,D) Obr. 1 Příklad bayesovské sítě 1 Jiná formulace říká, že při daných rodičích, dětech a dětech rodičů je uzel podmíněně nezávislý na všech ostatních uzlech sítě. 2 Příklad je převzat z (Murphy, 2000). 1
2 K výpočtu této distribuce tedy potřebujeme znát čtyři dílčí podmíněné pravděpodobnostní distribuce. V případě diskrétních veličin to jsou tabulky podmíněných pravděpodobností, tak jak je uvedeno v Tab. 1. Tab. 1 Podmíněné pravděpodobnosti uzlů Inference Bayesovská síť se používá pro pravděpodobnostní odvozování (inferenci). Známe-li strukturu sítě (Obr. 1) a podmíněné pravděpodobnostní distribuce přiřazené k jednotlivým uzlům (Tab. 1), můžeme spočítat aposteriorní pravděpodobnost libovolného uzlu. Řekněme, že pozorujeme, že je mokro, a zajímá nás, co je příčinou. Budeme tedy provádět diagnostickou inferenci, někdy též nazývanou zdola nahoru (od projevů nějakého jevu k jeho příčinám). Podle Bayesova vzorce a za použití faktorizace sdružené distribuce spočítáme P(K1 M1) P(K1,M1) P(M1) z,dp(zz,k1,dd,m1) P(M1) z,d (P(Zz) P(K1 Zz) P(Dd Zz) P(M1 K1,Dd)) P(M1) P(M1) P(D1 M1) P(D1,M1) P(M1) z,kp(zz,kk,d1,m1) P(M1) z,k (P(Zz) P(Kk Zz) P(D1 Zz) P(M1 Kk,D1)) P(M1) P(M1) kde P(M1) z,k,d (P(Zz) P(Kk Zz) P(Dd Zz) P(M1 Kk,Dd)) Maximální aposteriorní pravděpodobnost má tedy příčina déšť; P(D1 M1) > P(K1 M1). Z naší sítě můžeme rovněž spočítat pravděpodobnost toho, že bude mokro, pokud vidíme, že je zataženo. V tomto případě se jedná o kauzální inferenci, kdy postupujeme shora dolů (od příčin k důsledkům). P(M1 Z1) P(M1,Z1) P(Z1) k,dp(z1,kk,dd,m1) P(Z1) 3 Pro nalezení hypotézy s maximální aposteriorní pravděpodobností tuto hodnotu vlastně nepotřebujeme. 2
3 P(Z1) k,d (P(Kk Z1) P(Dd Z1) P(M1 Kk,Dd)) P(Z1) Přisuzovat kauzální interpretaci bayesovské síti je však značně ošidné. Zatímco kauzální vztahy (známe-li je) můžeme použít pro konstrukci bayesovské sítě, ne každá hrana v bayesovské síti musí mít kauzální interpretaci. Někdy se může jednat o pouhé korelace dvou jevů. 7.2 Posibilistické sítě Posibilistická síť je acyklický orientovaný graf zachycující pomocí hran posibilistické závislosti mezi jednotlivými jevy (uzly sítě). Obr. 2 Podmíněné posibility uzlů Inference Posibilistická síť se používá pro posibilistické odvozování (inferenci). Známe-li strukturu sítě (Obr. 1) a podmíněné posibilistické distribuce přiřazené k jednotlivým uzlům (hodnoty se nemusí nasčítávat do 1 viz Obr. 2), můžeme spočítat aposteriorní posibilitu libovolného uzlu. Řekněme, že pozorujeme, že je mokro, a zajímá nás, co je příčinou. Budeme tedy provádět diagnostickou inferenci, někdy též nazývanou zdola nahoru (od projevů nějakého jevu k jeho příčinám). Π (K1 M1) Π (K1,M1) maxz,d Π (Zz,K1,Dd,M1) Π (M1) Π (M1) maxz,d (Π (Zz) Π (K1 Zz) Π (Dd Zz) Π (M1 K1,Dd)) Π (M1) Π (M1) Π (D1 M1) Π (D1,M1) maxz,k Π (Zz,Kk,D1,M1) Π (M1) Π (M1) maxz,k (Π (Zz) Π (Kk Zz) Π (D1 Zz) Π (M1 Kk,D1)) Π (M1) kde Π (M1) Π(M1) maxz,k,d (Π (Zz) Π (Kk Zz) Π (Dd Zz) Π (M1 Kk,Dd)) , tedy Π (K1 M1) a Π (D1 M1) 1. 3
4 7.1 Neuronové sítě Lidský mozek je složen asi z nervových buněk (neuronů) které jsou mezi sebou navzájem propojeny ještě řádově vyšším počtem vazeb [Novák a kol.,1992]. Začněme tedy nejdříve jedním neuronem. Na Obr. 3 je ukázka typického neuronu, který je tvořen tělem (soma) ze kterého vybíhá řada (desítky až stovky) kratších výběžků (dendrity) a jeden dlouhý výběžek (axon). Zatímco tělo neuronu je veliké řádově mikrometry a dendrity několik milimetrů, axon může dosahovat délky desítek centimetrů až jednoho metru. Axon každého neuronu je zakončen tzv. synapsí (typicky jedinou, ale může jich být i několik), která dosedá na jiný neuron. Přes synapse se přenášejí vzruchy mezi neurony; v důsledku chemických reakcí se v místě, kde synapse dosedá na neuron mění propustnost buněčné membrány neuronu, tím se lokálně mění koncentrace kladných i záporných iontů vně a uvnitř buňky a tedy i membránový potenciál. Některé synaptické vazby mají charakter excitační (zvyšují membránový potenciál), jiné mají charakter inhibiční (snižují membránový potenciál). Dílčí účinky synaptických vazeb se na neuronu kumulují a ve chvíli, kdy celkový membránový potenciál přesáhne určitý práh, neuron je aktivován a přes svoji synapsi začne působit na další neurony, se kterými je spojen. Obr. 3 Biologický neuron Neuron tedy, zjednodušeně řečeno, přijímá kladné a záporné podněty od jiných neuronů a ve chvíli, kdy souhrn těchto podnětů překročí daný práh, sám se aktivuje. Výstupní hodnota neuronu je obvykle nějakou nelineární transformací souhrnu podnětů. Neuronová síť je pak síť vzájemně propojující jednotlivé neurony Obecná definice Def (Nauck, Klawonn, Kruse, 1997): Neuronová síť je n-tice (U, W, A, O, net, ex), kde 1. U je konečná množina výpočetních jednotek (neuronů), 2. W je struktura sítě, tedy zobrazení z U U do R (vazby mezi neurony), 3. A je zobrazení definující aktivační funkci A u : R R pro každou jednotku u, 4. O je zobrazení definující výstupní funkci O u : R R pro každou jednotku u, 5. net je zobrazení, definující vstupní funkci (přenosovou funkci) I u : (R R) U R pro každou jednotku u, 6. ex je externí vstupní funkce ex: U R, která každé jednotce u přiřadí externí vstup jakožto reálnou hodnotu ex U ex(u) R. 4
5 Aktivní dynamika Aktivní dynamika specifikuje, jakým způsobem se mění v čase stav sítě při pevné topologii a pevném nastavení vah. Informace, přivedená na vstupy neuronové sítě se (s využitím aktivačních resp. výstupních funkcí) transformuje na výstupy ze sítě Adaptivní dynamika Adaptivní dynamika specifikuje, jakým způsobem se mění váhy neuronové sítě v čase. Tyto váhy se mění na základě předložených příkladů [xi, y i ] tak, aby systém co nejsprávněji zpracovával (např. klasifikoval) i neznámé příklady x k. Tomuto procesu se obvykle říká učení neuronové sítě Příklady neuronových sítí Vícevrstvý perceptron Vrstevná síť (vícevrstvý perceptron, multi-layer perceptron) je síť složená z vrstev neuronů, kde v rámci jedné vrstvy nejsou mezi neurony žádné vazby, ale neuron z jedné vrstvy je propojen se všemi neurony vrstvy sousední. Nejpoužívanější topologií je síť s jednou skrytou vrstvou (Obr. 4). Jedná se o zobecnění jednoduchého perceptronu (případně adaptivního lineárního neuronu), které má schopnost aproximovat libovolnou spojitou funkci. Obr. 4 Vícevrstvý perceptron 5
6 Nejpoužívanějším typem je třívrstvá síť, kterou lze definovat jako n-tici (U, W, A, O, net, ex), kde 1. U U 1 U 2 U 3, kde U i U j U 1 se obvykle nazývá vstupní vrstva (U I ), U 2 se obvykle nazývá skrytá vrstva (U H ) a U 3 se obvykle nazývá výstupní vrstva (U O ) 2. (u U i W(u,v) 0) v U j, kde j > i neurony z jedné vrstvy jsou spojeny pouze s neurony v následující vrstvě 3. Hodnoty aktivační funkce jsou a u ex(u) pro u U I a u f(net u ) pro u U H U O kde 1 sigmoidální funkce f(net) 1 + e - net ; v tomto případě výstup neuronu ŷ nabývá hodnot z intervalu [0, 1] (Obr. 5), hyperbolický tangens f(net) tanh(net) ; v tomto případě výstup neuronu ŷ nabývá hodnot z intervalu [-1, 1] (Obr. 6). 4. Hodnoty výstupní funkce jsou o u a u pro u U 5. Hodnoty přenosové funkce jsou net W ( u, v) + θ pro v U i, i > 1 v o u u U i 1 6. Hodnoty externí vstupní funkce jsou v ex U pro u U I Obr. 5 Sigmoida Obr. 6 Hyperbolický tangens 6
7 RBF síť RBF síť je třívrstvá síť, podobná svou topologií vícevrstvému perceptronu. Hlavní rozdíl je v aktivačních funkcích jednotlivých neuronů. Vstupní vrstva pouze přenáší vstupní hodnoty. Skrytá vrstva obsahuje tzv. RBF jednotky realizující radiální bázové funkce příkladem může být nebo 1 h(net) exp ( x c) 2 2σ h(net) x c σ + d (viz Obr. 7), Výstupní vrstva je lineární. Tedy, dle obecné definice neuronové sítě: 1. U U 1 U 2 U 3, kde U i U j 2. (u U i W(u,v) 0) v U j, kde j > i 3. Hodnoty aktivační funkce jsou a u ex(u) pro u U I a u h(net u ) pro u U H a u net u pro u U O 4. Hodnoty výstupní funkce jsou o u a u pro u U 5. Hodnoty přenosové funkce jsou net v o w v, kde o (o u1, o u2,,o un ) je vektor výstupů ze vstupní vrstvy a w v (W(u 1,v), W(u 2,v),, W(u n,v)) je váhový vektor neuronu v - pro v U H net W ( u, v) v o u u U i 1 6. Hodnoty externí vstupní funkce jsou + θ pro v U O v 2 ex U pro u U I Obr. 7 RBF 7
8 Rozdíl mezi perceptronem a RBF sítí Činnost perceptronu má jednoduchou geometrickou interpretaci. Jednotlivé vstupní podněty x 1,x 2,...,x m mohou představovat hodnoty vstupních atributů nějakého objektu (např. teplota, výška, váha...). Každý objekt lze pak reprezentovat jako bod x x 1,x 2,...,x m v m-rozměrném prostoru. Bod x leží v jedné ze dvou částí prostoru oddělených od sebe rozdělující nadrovinou. Body ležící v jedné části prostoru můžeme považovat za obrazy objektů patřících do téže třídy. Perceptron lze tedy považovat za (globální) lineární klasifikátor objektů do dvou tříd. RBF síť naproti tomu v prostoru atributů vymezuje oblasti bodů blízkých bodu určeného parametry výstupních neuronů. Tato síť tedy provádí lokální klasifikaci na základě vzdálenosti. Schematicky je tato skutečnost znázorněna na Obr. 8. Další rozdíl spočívá ve vhodnosti použití daného typu sítě na různé podoby tříd, do kterých mají být příklady klasifikovány. Pro lineárně separabilní třídy je vhodnější použít perceptron (Obr. 9 vlevo nahoře), pro popis tříd eliptického tvaru je vhodnější síť RBF (Obr. 9 vpravo dole). Obr. 8 Globální vs. lokální klasifikace (Nauck, Klawonn, Kruse 1997) Obr. 9 Vhodnost perceptronu vs. RBF sítě (Nauck, Klawonn, Kruse 1997) 8
9 Kohonenova síť Kohonenova síť (self-organizing map, SOM) je síť tvořená dvěma vrstvami; vstupní vrstvou a vrstvou neuronů uspořádaných do čtvercové matice (Kohonenovy mřížky) navzájem spojených neuronů. Vstupní vrstva je propojena na každý neuron v mřížce (Obr. 10). V kroku klasifikace probíhá kompetice mezi neurony. Podle zásady vítěz bere všechno je aktivován (výstup ŷ 1) pouze ten neuron, který má váhy co nejblíže vstupnímu příkladu x. Tato síť tedy provádí shlukování vstupních příkladů. Z hlediska obecné definice neuronové sítě zde: 1. U U I U O, kde U I U O 2. (u U I W(u,v) 0) v U O 3. Hodnoty aktivační funkce jsou a u ex(u) pro u U I a u net u pro u U O 4. Hodnoty výstupní funkce jsou o u a u pro u U 5. Hodnoty přenosové funkce jsou net v o w v, kde o (o u1, o u2,,o un ) je vektor výstupů ze vstupní vrstvy a w v (W(u 1,v), W(u 2,v),, W(u n,v)) je váhový vektor neuronu v - pro v U O 6. Hodnoty externí vstupní funkce jsou ex U pro u U I Obr. 10 Kohonenova síť 9
10 7.3 Genetické algoritmy U zrodu genetických algoritmů stál v 60. letech J. Holland [Holland, 1962]. Jeho myšlenkou bylo použít evoluční principy, založené na metodách optimalizace funkcí a umělé inteligenci, pro hledání řešení nějaké úlohy. Základní podoba genetického algoritmu tak, jak ji uvádí Mitchell [Mitchell, 1997] je na Obr. 11. Algoritmus začíná pracovat s nějakou výchozí, náhodně zvolenou populací, kterou postupně modifikuje (zdokonaluje). Genetická výbava jedinců z jedné populace může přecházet do následující populace přímo, jen drobně modifikovaná, nebo prostřednictvím potomků. Snahou algoritmu je přitom přenést z jedné populace do druhé jen to nejlepší. Jedinci v populaci představují potenciální řešení nějaké úlohy, kritériem hodnocení jedinců v populaci je tedy kvalita tohoto řešení vyjádřená pomocí funkce fit (fitness function). Činnost algoritmu končí po splnění nějaké podmínky. Tou nejčastěji bývá dosažení předem zadaného maxima pro funkci fit, může to ale být i vyčerpání maximálního času (počtu generací). Operacemi, které vedou k vytvoření nové populace jsou výběr (selekce), mutace a křížení. Konkrétní podoba těchto operací hodně závisí na způsobu reprezentování jedinců (podobě jejich chromozomů). V nejjednodušším případě můžeme chromozom chápat jako řetězec složený ze symbolů 0 a 1 (genů), budeme rovněž předpokládat, že všechny řetězce mají stejnou délku. Genetický algoritmus(fit,n,k,m) Inicializace 1. přiřaď t: 0 (počítadlo generací) 2. náhodně vytvoř populaci P(t) velikosti N 3. urči hodnoty funkce fit pro každého jedince h v P(t) Hlavní cyklus 1. dokud není splněna podmínka pro zastavení 1.1. proveď selekci: vyber z P(t) jedince kteří se přímo přenesou do P(t+1) 1.2. proveď křížení: vyber z P(t) dvojice jedinců určených k reprodukci aplikuj na každou dvojici operaci křížení zařaď potomky do P(t+1) 1.3. proveď mutaci: vyber z P(t+1) jedince určené k mutaci aplikuj na každého jedince operaci mutace 1.4. přiřaď t: t + 1 (nová populace má opět velikost N) 1.5. spočítej pro každé h P(t) hodnotu fit(h) 2. vrať jedince h s nejvyšší hodnotu fit(h) Obr. 11 Základní podoba genetického algoritmu 10
11 Selekce jedince h se provádí na základě hodnoty funkce fit(h). V literatuře se uvádějí různé možnosti: ruletové kolo pravděpodobnost, že bude vybrán jedinec h je úměrná poměru pořadová selekce fit(h) i fit(h i), nejprve jsou jedinci v populaci uspořádáni podle hodnoty fit, selekce se pak provádí na základě pravděpodobnosti, která je úměrná pořadí jedince v tomto uspořádání, turnajová selekce nejprve se náhodně vyberou dva jedinci, s předefinovanou pravděpodobností p se pak vybere jedinec s vyšší hodnotou fit, s pravděpodobností 1-p se vybere jedinec s nižší hodnotou fit. Operátor křížení (crossover) vytváří ze dvou rodičů dva potomky. V nejjednodušším případě se provádí tzv. jednobodové křížení (single-point crossover). Při jednobodovém křížení zdědí každý potomek počátek chromozomu (řetězce bitů) od jednoho rodiče a zbytek řetězce od druhého rodiče. Bod křížení je pokaždé volen náhodně (Obr. 12). Složitější variantou je dvoubodové křížení, kdy se chromozomy rozdělí na tři části, každý potomek pak zdědí prostředek řetězce od jednoho rodiče a okraje od druhého rodiče (Obr. 13) Obr. 12 Jednobodové křížení Obr. 13 Dvoubodové křížení Obr. 14 Mutace Při mutaci se náhodně zinvertuje jeden bit v řetězci tak, jak je uvedeno na Obr. 14. Zatímco křížení představuje výrazné změny chromozomů, v případě mutace se jedná jen o drobné modifikace. 11
12 Výběr se provádí jednak v případě přímého přenosu jedince z jedné generace do druhé (krok selekce), jednak v případě volby rodičů pro křížení nebo jedinců pro mutaci. Postupuje se přitom tak, aby se počet jedinců v populacích nezvětšoval. Nabízí se otázka, jestli algoritmus pracující výše popsaným způsobem může efektivní řešit optimalizační úlohy nebo úlohy prohledávání. Kladnou odpověď dává tzv. teorém o schématech [Holland 1975]. Hollandův teorém říká že krátká schémata nízkého řádu s nadprůměrnou hodnotou funkce fit získávají v následující populaci exponenciálně rostoucí zastoupení. Schématem se přitom myslí jakási šablona, která popisuje množinu vzájemně si podobných částí chromozomů. V případě reprezentace chromozomů bitovými řetězci se v zápise schématu objevují 1, 0 a, přičemž znak reprezentuje libovolnou hodnotu. Tedy např. schema 00 1 zahrnuje dva řetězce 0001 a Délkou schématu se myslí vzdálenost mezi první a poslední pevně danou pozicí ve schématu (v našem příkladu je délka 3) a řádem schématu se myslí počet pevně definovaných symbolů (v našem příkladu opět hodnota 3). Schémata reprezentují sekvence bitů, které jsou navzájem provázány v tom smyslu, že příspěvek jednoho bitu k hodnotě funkce fit závisí na hodnotách ostatních bitů v sekvenci. Tyto sekvence bývají označovány jako stavební bloky. Teorém o schématech tedy říká, že v průběhu evoluce roste zastoupení důležitých stavebních bloků v populaci. Tyto stavební bloky se pak kombinují do výsledného řešení. 7.4 Integrace dílčích metod Pro oblast soft computing je charakteristické že se dílčí, výše uvedené přístupy kombinují a integrují. Jako příklad integrování dílčích soft computing metod si ukážeme tzv. neurofuzzy systémy, kombinující neuronové sítě s fuzzy přístupy. Def: Třívrstvý fuzzy perceptron je třívrstvá neuronová síť (U, W, A, O, net, ex), kde 1. U U 1 U 2 U 3, kde U i U j 2. W : U U F(R), (u U i W(u,v) 0) v U j, kde j > i neurony z jedné vrstvy jsou spojeny pouze s neurony v následující vrstvě (F(R) je množina všech fuzzy podmnožin množiny R) 3. Hodnoty aktivační funkce jsou A U : R R, A U : F(R) F(R), 4. Hodnoty výstupní funkce jsou o u a u o u DEFUZZ(a u ) a u net u pro u U I U H pro u U I U H 5. Hodnoty přenosové funkce jsou net v ex v pro v U I net v u (W(u,v) (o u )) a u net u pro u U O pro u U O pro v U H u U I net v u (W(u,v) (o u )) pro v U O u U H kde W(u,v) 0 6. Hodnoty externí vstupní funkce jsou ex U pro u U I 12
13 Obr. 15 XOR Obr. 16 "Klasická" neuronová síť Příklad: Klasickým příkladem (který koncem 60. let vedl ke kritice neuronových sítí jako takových) je úloha XOR. Cílem je nastavit neuronovou síť, aby správně reprezentovala logickou spojku non-ekvivalence, neboli v prostoru atributů od sebe oddělila body [1,0] a [0,1] od bodů [0,0] a [1,1] (Obr. 15). Tuto úlohu samozřejmě nelze vyřešit s použitím jednoduchého perceptronu (data nejsou lineárně separabilní). Řešení s využitím vícevrstvého perceptronu vidíme na Obr. 16. Fuzzy neuronová sít pro tutéž úlohu je naznačena na Obr. 17.Význam jednotlivých fuzzy množin small a big je na Obr. 18. Příslušná pravidla jsou: if x 1 is big and x 2 is small then y is big if x 1 is small and x 2 is big then y is big Obr. 17 Fuzzy neuronová síť Obr. 18 Fuzzy množiny fuzzy neuronové sítě 13
14 Cvičení: 1) Příklad: Je dána Bayesovská síť (struktura i podmíněné pravděpodobnosti) uvedená na Obr. 19 (převzato z). Spočítejte pravděpodobnost, že zavolá John resp. Marie v případě vloupání (tedy P(J B) a P(M B). Obr. 19 Bayesovská síť - vloupání 2) Příklad: Předpokládejme, že Obr. 19 ukazuje posibilistickou síť. Jaká je možnost, že zavolá John resp. Marie v případě vloupání (tedy Π(J B) a Π(M B))? 3) Příklad: Je dána Bayesovská síť (struktura i podmíněné pravděpodobnosti) uvedená na Obr. 20 (převzato z Charniak, 1991). Spočítejte pravděpodobnost, že rodina je doma když slyšíme štěkat psa. Obr. 20 Bayesovská síť - štěkající pes 14
15 Literatura: 1. Holland J.H.: Outline for a logical theory of adaptive systems. Journal of the ACM, 3, 1962, Holland J.H.: Adaptation in natural and artificial systems. Univ. of Michigan Press, Charniak E.: Bayesian Network without Tears. AI Magazine, Winter 1991, Jensen, F.: An introduction to bayesian networks. UCL Press, Kohonen T.: Self-Organizing Maps, Springer, Mařík,V. Štěpánková,O. - Lažanský,J. a kol.: Umělá inteligence 3. Academia, Mitchell,T.: Machine learning. McGraw-Hill Murphy,K.: A brief introduction to graphical models and bayesian networks Nauk D., Klawonn F., Kruse R.: Foundations of Neuro-fuzzy systems. John Wiley, Šíma J., Neruda R.: Teoretické otázky neuronových sítí. Matfyzpress,
5.5 Evoluční algoritmy
5.5 Evoluční algoritmy Jinou skupinou metod strojového učení, které vycházejí z biologických principů, jsou evoluční algoritmy. Zdrojem inspirace se tentokrát stal mechanismus evoluce, chápaný jako Darwinův
VíceDobývání znalostí. Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze
Dobývání znalostí Doc. RNDr. Iveta Mrázová, CSc. Katedra teoretické informatiky Matematicko-fyzikální fakulta Univerzity Karlovy v Praze Dobývání znalostí Bayesovské modely Doc. RNDr. Iveta Mrázová, CSc.
VíceEvoluční algoritmy. Podmínka zastavení počet iterací kvalita nejlepšího jedince v populaci změna kvality nejlepšího jedince mezi iteracemi
Evoluční algoritmy Použítí evoluční principů, založených na metodách optimalizace funkcí a umělé inteligenci, pro hledání řešení nějaké úlohy. Populace množina jedinců, potenciálních řešení Fitness function
VíceFiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc
Neuronové sítě a možnosti jejich využití Fiala P., Karhan P., Ptáček J. Oddělení lékařské fyziky a radiační ochrany Fakultní nemocnice Olomouc 1. Biologický neuron Osnova 2. Neuronové sítě Umělý neuron
VíceVytěžování znalostí z dat
Pavel Kordík, Josef Borkovec (ČVUT FIT) Vytěžování znalostí z dat BI-VZD, 2012, Přednáška 8 1/26 Vytěžování znalostí z dat Pavel Kordík, Josef Borkovec Department of Computer Systems Faculty of Information
VíceBayesovská klasifikace
Bayesovská klasifikace založeno na Bayesově větě P(H E) = P(E H) P(H) P(E) použití pro klasifikaci: hypotéza s maximální aposteriorní pravděpodobností H MAP = H J právě když P(H J E) = max i P(E H i) P(H
VíceUmělé neuronové sítě
Umělé neuronové sítě 17. 3. 2018 5-1 Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce 5-2 Neuronové aktivační
VíceUsuzování za neurčitosti
Usuzování za neurčitosti 25.11.2014 8-1 Usuzování za neurčitosti Hypotetické usuzování a zpětná indukce Míry postačitelnosti a nezbytnosti Kombinace důkazů Šíření pravděpodobnosti v inferenčních sítích
Více2. RBF neuronové sítě
2. RBF neuronové sítě Kapitola pojednává o neuronových sítích typu RBF. V kapitole je popsána základní struktura tohoto typu neuronové sítě. Poté následuje definice a charakteristika jednotlivých radiálně
VíceMETODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1
METODY DOLOVÁNÍ V DATECH DATOVÉ SKLADY TEREZA HYNČICOVÁ H2IGE1 DOLOVÁNÍ V DATECH (DATA MINING) OBJEVUJE SE JIŽ OD 60. LET 20. ST. S ROZVOJEM POČÍTAČOVÉ TECHNIKY DEFINICE PROCES VÝBĚRU, PROHLEDÁVÁNÍ A MODELOVÁNÍ
VíceAmbasadoři přírodovědných a technických oborů. Ing. Michal Řepka Březen - duben 2013
Ambasadoři přírodovědných a technických oborů Ing. Michal Řepka Březen - duben 2013 Umělé neuronové sítě Proč právě Neuronové sítě? K čemu je to dobré? Používá se to někde v praxi? Úvod Umělé neuronové
VíceANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT. Institut biostatistiky a analýz
ANALÝZA A KLASIFIKACE BIOMEDICÍNSKÝCH DAT prof. Ing. Jiří Holčík,, CSc. NEURONOVÉ SÍTĚ otázky a odpovědi 1 AKD_predn4, slide 8: Hodnota výstupu závisí na znaménku funkce net i, tedy na tom, zda bude suma
VíceGenetické algoritmy. Informační a komunikační technologie ve zdravotnictví
Genetické algoritmy Informační a komunikační technologie ve zdravotnictví Přehled přednášky Úvod Historie Základní pojmy Principy genetických algoritmů Možnosti použití Související metody AI Příklad problém
VícePokročilé operace s obrazem
Získávání a analýza obrazové informace Pokročilé operace s obrazem Biofyzikální ústav Lékařské fakulty Masarykovy univerzity Brno prezentace je součástí projektu FRVŠ č.2487/2011 (BFÚ LF MU) Získávání
VíceAlgoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů)
Algoritmy a struktury neuropočítačů ASN P9 SVM Support vector machines Support vector networks (Algoritmus podpůrných vektorů) Autor: Vladimir Vapnik Vapnik, V. The Nature of Statistical Learning Theory.
VíceÚvod do optimalizace, metody hladké optimalizace
Evropský sociální fond Investujeme do vaší budoucnosti Úvod do optimalizace, metody hladké optimalizace Matematika pro informatiky, FIT ČVUT Martin Holeňa, 13. týden LS 2010/2011 O čem to bude? Příklady
VíceEmergence chování robotických agentů: neuroevoluce
Emergence chování robotických agentů: neuroevoluce Petra Vidnerová, Stanislav Slušný, Roman Neruda Ústav Informatiky, AV ČR Kognice a umělý život VIII Praha 28. 5. 2008 Evoluční robotika: EA & neuronové
VíceTrénování sítě pomocí učení s učitelem
Trénování sítě pomocí učení s učitelem! předpokládá se, že máme k dispozici trénovací množinu, tj. množinu P dvojic [vstup x p, požadovaný výstup u p ]! chceme nastavit váhy a prahy sítě tak, aby výstup
VícePopis zobrazení pomocí fuzzy logiky
Popis zobrazení pomocí fuzzy logiky diplomová práce Ján Fröhlich KM, FJFI, ČVUT 23. dubna 2009 Ján Fröhlich ( KM, FJFI, ČVUT ) Popis zobrazení pomocí fuzzy logiky 23. dubna 2009 1 / 25 Obsah 1 Úvod Základy
VícePV021: Neuronové sítě. Tomáš Brázdil
1 PV021: Neuronové sítě Tomáš Brázdil Cíl předmětu 2 Na co se zaměříme Základní techniky a principy neuronových sítí (NS) Přehled základních modelů NS a jejich použití Co si (doufám) odnesete Znalost základních
VíceNeuronové sítě. Vlasta Radová Západočeská univerzita v Plzni katedra kybernetiky
Neuronové sítě Vlasta Radová Západočeská univerzita v Plzni katedra kybernetiky Motivace pro výzkum umělých neuronových sítí lidský mozek pracuje jiným způsobem než běžné číslicové počítače počítače přesně
VíceNeuronové sítě Ladislav Horký Karel Břinda
Neuronové sítě Ladislav Horký Karel Břinda Obsah Úvod, historie Modely neuronu, aktivační funkce Topologie sítí Principy učení Konkrétní typy sítí s ukázkami v prostředí Wolfram Mathematica Praktické aplikace
VíceStátnice odborné č. 20
Státnice odborné č. 20 Shlukování dat Shlukování dat. Metoda k-středů, hierarchické (aglomerativní) shlukování, Kohonenova mapa SOM Shlukování dat Shluková analýza je snaha o seskupení objektů do skupin
VíceRosenblattův perceptron
Perceptron Přenosové funkce Rosenblattův perceptron Rosenblatt r. 1958. Inspirace lidským okem Podle fyziologického vzoru je třívrstvá: Vstupní vrstva rozvětvovací jejím úkolem je mapování dvourozměrného
VíceAlgoritmy a struktury neuropočítačů ASN P4. Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby
Algoritmy a struktury neuropočítačů ASN P4 Vícevrstvé sítě dopředné a Elmanovy MLNN s učením zpětného šíření chyby Vrstevnatá struktura - vícevrstvé NN (Multilayer NN, MLNN) vstupní vrstva (input layer)
VíceNavrženy v 60. letech jako experimentální optimalizační metoda. Velice rychlá s dobrou podporou teorie
Evoluční strategie Navrženy v 60. letech jako experimentální optimalizační metoda Založena na reálných číslech Velice rychlá s dobrou podporou teorie Jako první zavedla self-adaptation (úpravu sebe sama)
Více5. Umělé neuronové sítě. Neuronové sítě
Neuronové sítě Přesný algoritmus práce přírodních neuronových systémů není doposud znám. Přesto experimentální výsledky na modelech těchto systémů dávají dnes velmi slibné výsledky. Tyto systémy, včetně
Více5. Umělé neuronové sítě. neuronové sítě. Umělé Ondřej Valenta, Václav Matoušek. 5-1 Umělá inteligence a rozpoznávání, LS 2015
Umělé neuronové sítě 5. 4. 205 _ 5- Model umělého neuronu y výstup neuronu u vnitřní potenciál neuronu w i váhy neuronu x i vstupy neuronu Θ práh neuronu f neuronová aktivační funkce _ 5-2 Neuronové aktivační
VíceGenetické algoritmy. Vysoká škola ekonomická Praha. Tato prezentace je k dispozici na: http://www.utia.cas.cz/vomlel/
Genetické algoritmy Jiří Vomlel Laboratoř inteligentních systémů Vysoká škola ekonomická Praha Tato prezentace je k dispozici na: http://www.utia.cas.cz/vomlel/ Motivace z Darwinovy teorie evoluce Přírodní
VíceNeuropočítače. podnět. vnímání (senzory)
Neuropočítače Princip inteligentního systému vnímání (senzory) podnět akce (efektory) poznání plánování usuzování komunikace Typické vlastnosti inteligentního systému: schopnost vnímat podněty z okolního
VíceOSA. maximalizace minimalizace 1/22
OSA Systémová analýza metodika používaná k navrhování a racionalizaci systémů v podmínkách neurčitosti vyšší stupeň operační analýzy Operační analýza (výzkum) soubor metod umožňující řešit rozhodovací,
VíceÚstav teorie informace a automatizace. J. Vomlel (ÚTIA AV ČR) Úvod do bayesovských sítí 30/10/ / 28
Úvod do bayesovských sítí Jiří Vomlel Ústav teorie informace a automatizace Akademie věd České republiky http://www.utia.cz/vomlel 30. října 2008 J. Vomlel (ÚTIA AV ČR) Úvod do bayesovských sítí 30/10/2008
VíceLineární klasifikátory
Lineární klasifikátory Lineární klasifikátory obsah: perceptronový algoritmus základní verze varianta perceptronového algoritmu přihrádkový algoritmus podpůrné vektorové stroje Lineární klasifikátor navrhnout
VíceZpracování neurčitosti
Zpracování neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 7-1 Usuzování za neurčitosti Neurčitost: Při vytváření ZS obvykle nejsou všechny informace naprosto korektní mohou být víceznačné, vágní,
VíceProjekční algoritmus. Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění. Jan Klíma
Urychlení evolučních algoritmů pomocí regresních stromů a jejich zobecnění Jan Klíma Obsah Motivace & cíle práce Evoluční algoritmy Náhradní modelování Stromové regresní metody Implementace a výsledky
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
Metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
Více2015 http://excel.fit.vutbr.cz Kartézské genetické programování s LUT Karolína Hajná* Abstract Tato práce se zabývá problematikou návrhu obvodů pomocí kartézského genetického programování na úrovni třívstupových
VíceJak se matematika poučila v biologii
Jak se matematika poučila v biologii René Kalus IT4Innovations, VŠB TUO Role matematiky v (nejen) přírodních vědách Matematika inspirující a sloužící jazyk pro komunikaci s přírodou V 4 3 r 3 Matematika
VíceModerní systémy pro získávání znalostí z informací a dat
Moderní systémy pro získávání znalostí z informací a dat Jan Žižka IBA Institut biostatistiky a analýz PřF & LF, Masarykova universita Kamenice 126/3, 625 00 Brno Email: zizka@iba.muni.cz Bioinformatika:
VíceAlgoritmy a struktury neuropočítačů ASN P3
Algoritmy a struktury neuropočítačů ASN P3 SOM algoritmus s učitelem i bez učitele U-matice Vektorová kvantizace Samoorganizující se mapy ( Self-Organizing Maps ) PROČ? Základní myšlenka: analogie s činností
VíceEvoluční výpočetní techniky (EVT)
Evoluční výpočetní techniky (EVT) - Nacházejí svoji inspiraci v přírodních vývojových procesech - Stejně jako přírodní jevy mají silnou náhodnou složku, která nezanedbatelným způsobem ovlivňuje jejich
VíceNeuronové sítě v DPZ
Univerzita J. E. Purkyně v Ústí nad Labem Fakulta životního prostředí Neuronové sítě v DPZ Seminární práce z předmětu Dálkový průzkum Země Vypracovali: Jan Lantora Rok: 2006 Zuzana Vašková Neuronové sítě
VíceÚloha - rozpoznávání číslic
Úloha - rozpoznávání číslic Vojtěch Franc, Tomáš Pajdla a Tomáš Svoboda http://cmp.felk.cvut.cz 27. listopadu 26 Abstrakt Podpůrný text pro cvičení předmětu X33KUI. Vysvětluje tři způsoby rozpoznávání
Vícepřetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat
Zkouška ISR 2013 přetrénování = ztráta schopnosti generalizovat vlivem přílišného zaměření klasifikátorů na rozeznávání pouze konkrétních trénovacích dat 1. Rozdílné principy u induktivního a deduktivního
VíceZÍSKÁVÁNÍ ZNALOSTÍ Z DATABÁZÍ
metodický list č. 1 Dobývání znalostí z databází Cílem tohoto tematického celku je vysvětlení základních pojmů z oblasti dobývání znalostí z databází i východisek dobývání znalostí z databází inspirovaných
VíceUČENÍ BEZ UČITELE. Václav Hlaváč
UČENÍ BEZ UČITELE Václav Hlaváč Fakulta elektrotechnická ČVUT v Praze katedra kybernetiky, Centrum strojového vnímání hlavac@fel.cvut.cz, http://cmp.felk.cvut.cz/~hlavac 1/22 OBSAH PŘEDNÁŠKY ÚVOD Učení
Více3. Vícevrstvé dopředné sítě
3. Vícevrstvé dopředné sítě! Jsou tvořeny jednou nebo více vrstvami neuronů (perceptronů). Výstup jedné vrstvy je přitom připojen na vstup následující vrstvy a signál se v pracovní fázi sítě šíří pouze
VíceAlgoritmy a struktury neuropočítačů ASN - P1
Algoritmy a struktury neuropočítačů ASN - P1 http://amber.feld.cvut.cz/ssc www.janatuckova.cz Prof.Ing. Jana Tučková,CSc. Katedra teorie obvodů K331 kancelář: 614, B3 tel.: 224 352 098 e-mail: tuckova@fel.cvut.cz
Více5.6 Bayesovská klasifikace
5.6 Bayesovská klasifikace Metody bayesovské klasifikace vycházejí z Bayesovy věty o podmíněných pravděpodobnostech. Ačkoliv se tedy jedná o metody pravděpodobnostní, jsou intenzivně studovány v souvislosti
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
VíceNEURONOVÉ SÍTĚ A EVOLUČNÍ ALGORITMY NEURAL NETWORKS AND EVOLUTIONARY ALGORITHMS
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA ELEKTROTECHNIKY A KOMUNIKAČNÍCH TECHNOLOGIÍ ÚSTAV BIOMEDICÍNSKÉHO INŽENÝRSTVÍ FACULTY OF ELECTRICAL ENGINEERING AND COMMUNICATION DEPARTMENT
VíceNeuronové časové řady (ANN-TS)
Neuronové časové řady (ANN-TS) Menu: QCExpert Prediktivní metody Neuronové časové řady Tento modul (Artificial Neural Network Time Series ANN-TS) využívá modelovacího potenciálu neuronové sítě k predikci
VíceZáklady umělé inteligence
Základy umělé inteligence Automatické řešení úloh Základy umělé inteligence - prohledávání. Vlasta Radová, ZČU, katedra kybernetiky 1 Formalizace úlohy UI chápe řešení úloh jako proces hledání řešení v
VíceArchitektura - struktura sítě výkonných prvků, jejich vzájemné propojení.
Základní pojmy z oblasti neuronových sítí Zde je uveden přehled některých základních pojmů z oblasti neuronových sítí. Tento přehled usnadní studium a pochopení předmětu. ADALINE - klasická umělá neuronová
VíceUmělá inteligence a rozpoznávání
Václav Matoušek KIV e-mail: matousek@kiv.zcu.cz 0-1 Sylabus předmětu: Datum Náplň přednášky 11. 2. Úvod, historie a vývoj UI, základní problémové oblasti a typy úloh, aplikace UI, příklady inteligentních
VíceCVIČENÍ 4 Doc.Ing.Kateřina Hyniová, CSc. Katedra číslicového návrhu Fakulta informačních technologií České vysoké učení technické v Praze 4.
CVIČENÍ POZNÁMKY. CVIČENÍ. Vazby mezi systémy. Bloková schémata.vazby mezi systémy a) paralelní vazba b) sériová vazba c) zpětná (antiparalelní) vazba. Vnější popis složitých systémů a) metoda postupného
VíceH. Dreyfuss: What computers can t do, 1972 What computers still can t do, J. Weizenbaum. Computer power and human reason, 1976
Klasická AI připomenutí Meze klasické umělé inteligence Modelování mysli na logicko-symbolické úrovni. Modelování shora dolů. Reprezentacionalizmus Churchova teze: Použitelnost počítačů je omezena na ty
VíceMarkov Chain Monte Carlo. Jan Kracík.
Markov Chain Monte Carlo Jan Kracík jan.kracik@vsb.cz Princip Monte Carlo integrace Cílem je (přibližný) výpočet integrálu I(g) = E f [g(x)] = g(x)f (x)dx. (1) Umíme-li generovat nezávislé vzorky x (1),
VíceSIGNÁLY A LINEÁRNÍ SYSTÉMY
SIGNÁLY A LINEÁRNÍ SYSTÉMY prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz VII. SYSTÉMY ZÁKLADNÍ POJMY SYSTÉM - DEFINICE SYSTÉM (řec.) složené, seskupené (v
VíceÚvodem Dříve les než stromy 3 Operace s maticemi
Obsah 1 Úvodem 13 2 Dříve les než stromy 17 2.1 Nejednoznačnost terminologie 17 2.2 Volba metody analýzy dat 23 2.3 Přehled vybraných vícerozměrných metod 25 2.3.1 Metoda hlavních komponent 26 2.3.2 Faktorová
VíceTransformace obrazu Josef Pelikán KSVI MFF UK Praha
Transformace obrazu 99725 Josef Pelikán KSVI MFF UK Praha email: Josef.Pelikan@mff.cuni.cz WWW: http://cgg.ms.mff.cuni.cz/~pepca/ Transformace 2D obrazu dekorelace dat potlačení závislosti jednotlivých
VíceAlgoritmy a struktury neuropočítačů ASN - P11
Aplikace UNS při rozpoznání obrazů Základní úloha segmentace obrazu rozdělení obrazu do několika významných oblastí klasifikační úloha, clusterová analýza target Metody Kohonenova metoda KSOM Kohonenova
VíceIng. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence
APLIKACE UMĚLÉ INTELIGENCE Ing. Petr Hájek, Ph.D. Podpora přednášky kurzu Aplikace umělé inteligence Aplikace umělé inteligence - seminář ING. PETR HÁJEK, PH.D. ÚSTAV SYSTÉMOVÉHO INŽENÝRSTVÍ A INFORMATIKY
Více1. Úvod do genetických algoritmů (GA)
Obsah 1. Úvod do genetických algoritmů (GA)... 2 1.1 Základní informace... 2 1.2 Výstupy z učení... 2 1.3 Základní pomy genetických algoritmů... 2 1.3.1 Úvod... 2 1.3.2 Základní pomy... 2 1.3.3 Operátor
VíceVyužití metod strojového učení v bioinformatice David Hoksza
Využití metod strojového učení v bioinformatice David Hoksza SIRET Research Group Katedra softwarového inženýrství, Matematicko-fyzikální fakulta Karlova Univerzita v Praze Bioinformatika Biologické inspirace
VíceKybernetika a umělá inteligence, cvičení 10/11
Kybernetika a umělá inteligence, cvičení 10/11 Program 1. seminární cvičení: základní typy klasifikátorů a jejich princip 2. počítačové cvičení: procvičení na problému rozpoznávání číslic... body za aktivitu
VíceAlgoritmy pro shlukování prostorových dat
Algoritmy pro shlukování prostorových dat Marta Žambochová Katedra matematiky a informatiky Fakulta sociálně ekonomická Univerzita J. E. Purkyně v Ústí nad Labem ROBUST 21. 26. leden 2018 Rybník - Hostouň
Více1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15
Úvodní poznámky... 11 1. Vlastnosti diskretních a číslicových metod zpracování signálů... 15 1.1 Základní pojmy... 15 1.2 Aplikační oblasti a etapy zpracování signálů... 17 1.3 Klasifikace diskretních
VíceGIS Geografické informační systémy
GIS Geografické informační systémy Obsah přednášky Prostorové vektorové modely Špagetový model Topologický model Převody geometrií Vektorový model Reprezentuje reálný svět po jednotlivých složkách popisu
VíceObr. 1 Biologický neuron
5.4 Neuronové sítě Lidský mozek je složen asi z 10 10 nervových buněk (neuronů) které jsou mezi sebou navzájem propojeny ještě řádově vyšším počtem vazeb [Novák a kol.,1992]. Začněme tedy nejdříve jedním
VíceGenetické programování
Genetické programování Vyvinuto v USA v 90. letech J. Kozou Typické problémy: Predikce, klasifikace, aproximace, tvorba programů Vlastnosti Soupeří s neuronovými sítěmi apod. Potřebuje značně velké populace
Více= je prostý orientovaný graf., formálně c ( u, v) 0. dva speciální uzly: zdrojový uzel s a cílový uzel t. Dále budeme bez
Síť Síť je čtveřice N = ( G, s, t, c) kde G ( V, A) = je prostý orientovaný graf a každé orientované hraně ( u, v) je přiřazeno nezáporné číslo, které se nazývá kapacita hrany ( u, v), formálně c ( u,
Více7. Rozdělení pravděpodobnosti ve statistice
7. Rozdělení pravděpodobnosti ve statistice Statistika nuda je, má však cenné údaje, neklesejte na mysli, ona nám to vyčíslí Jednou z úloh statistiky je odhad (výpočet) hodnot statistického znaku x i,
VíceAplikovaná numerická matematika
Aplikovaná numerická matematika 6. Metoda nejmenších čtverců doc. Ing. Róbert Lórencz, CSc. České vysoké učení technické v Praze Fakulta informačních technologií Katedra počítačových systémů Příprava studijních
VíceDynamické programování
Dynamické programování prof. Ing. Pavel Tvrdík CSc. Katedra počítačových systémů Fakulta informačních technologií České vysoké učení technické v Praze c Pavel Tvrdík, 2010 Efektivní algoritmy (BI-EFA)
VíceU Úvod do modelování a simulace systémů
U Úvod do modelování a simulace systémů Vyšetřování rozsáhlých soustav mnohdy nelze provádět analytickým výpočtem.často je nutné zkoumat chování zařízení v mezních situacích, do kterých se skutečné zařízení
Vícecv3.tex. Vzorec pro úplnou pravděpodobnost
3 cvičení - pravděpodobnost 2102018 18cv3tex n i=1 Vzorec pro úplnou pravděpodobnost Systém náhodných jevů nazýváme úplným, jestliže pro něj platí: B i = 1 a pro i k je B i B k = 0 Jestliže je (Ω, A, P
Víceití empirických modelů při i optimalizaci procesu mokré granulace léčivl ková SVK ÚOT
Využit ití empirických modelů při i optimalizaci procesu mokré granulace léčivl Jana Kalčíkov ková 5. ročník Školitel: Doc. Ing. Zdeněk k Bělohlav, B CSc. Granulace Prášek Granule Vlhčivo Promíchávání
VíceFuzzy regulátory Mamdaniho a Takagi-Sugenova typu. Návrh fuzzy regulátorů: F-I-A-D v regulátorech Mamdaniho typu. Fuzzifikace. Inference. Viz. obr.
Fuzzy regulátory Mamdaniho a Takagi-Sugenova typu Návrh fuzzy regulátorů: Fuzzifikace, (fuzzyfikace), (F) Inference, (I), Agregace, (A), Defuzzifikace (defuzzyfikace) (D). F-I-A-D v regulátorech Mamdaniho
VíceVícerozměrná rozdělení
Vícerozměrná rozdělení 7. září 0 Učivo: Práce s vícerozměrnými rozděleními. Sdružené, marginální, podmíněné rozdělení pravděpodobnosti. Vektorová střední hodnota. Kovariance, korelace, kovarianční matice.
VíceVybrané přístupy řešení neurčitosti
Vybrané přístupy řešení neurčitosti Úvod do znalostního inženýrství, ZS 2015/16 8-1 Faktory jistoty Jedná se o přístup založený na ad hoc modelech Hlavním důvodem vzniku tohoto přístupu je omezení slabin
Víceoddělení Inteligentní Datové Analýzy (IDA)
Vytěžování dat Filip Železný Katedra počítačů oddělení Inteligentní Datové Analýzy (IDA) 22. září 2014 Filip Železný (ČVUT) Vytěžování dat 22. září 2014 1 / 25 Odhad rozdělení Úloha: Vstup: data D = {
VíceJsou inspirovány poznatky o neuronech a nervových sítích živých organizmů a jejich schopnostmi:
Neuronové sítě V prezentaci jsou použity podklady z řady zdrojů (Marcel Jiřina, Dan Novák, Jean- Christophe Prévotet, Petr Berka, Jana Tučková a další) Neuronové sítě Jsou inspirovány poznatky o neuronech
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota závisí nějakým způsobem na vstupní, je její funkcí = f(x). Pokud
VíceNG C Implementace plně rekurentní
NG C Implementace plně rekurentní neuronové sítě v systému Mathematica Zdeněk Buk, Miroslav Šnorek {bukz1 snorek}@fel.cvut.cz Neural Computing Group Department of Computer Science and Engineering, Faculty
VíceX = x, y = h(x) Y = y. hodnotám x a jedné hodnotě y. Dostaneme tabulku hodnot pravděpodobnostní
..08 8cv7.tex 7. cvičení - transformace náhodné veličiny Definice pojmů a základní vzorce Je-li X náhodná veličina a h : R R je měřitelná funkce, pak náhodnou veličinu Y, která je definovaná vztahem X
Více3. Podmíněná pravděpodobnost a Bayesův vzorec
3. Podmíněná pravděpodobnost a Bayesův vzorec Poznámka: V některých úlohách řešíme situaci, kdy zkoumáme pravděpodobnost náhodného jevu za dalších omezujících podmínek. Nejčastěji má omezující podmínka
Více12 Metody snižování barevného prostoru
12 Metody snižování barevného prostoru Studijní cíl Tento blok je věnován základním metodám pro snižování barevného rozsahu pro rastrové obrázky. Postupně zde jsou vysvětleny důvody k použití těchto algoritmů
VíceAgent pracující v částečně pozorovatelném prostředí udržuje na základě senzorického modelu odhaduje, jak se svět může vyvíjet.
Umělá inteligence II Roman Barták, KTIML roman.bartak@mff.cuni.cz http://ktiml.mff.cuni.cz/~bartak Dnešní program Agent pracující v částečně pozorovatelném prostředí udržuje na základě senzorického modelu
VíceANALÝZA A KLASIFIKACE DAT
ANALÝZA A KLASIFIKACE DAT prof. Ing. Jiří Holčík, CSc. INVESTICE Institut DO biostatistiky ROZVOJE VZDĚLÁVÁNÍ a analýz IV. LINEÁRNÍ KLASIFIKACE PRINCIPY KLASIFIKACE pomocí diskriminačních funkcí funkcí,
VíceMetody analýzy dat I. Míry a metriky - pokračování
Metody analýzy dat I Míry a metriky - pokračování Literatura Newman, M. (2010). Networks: an introduction. Oxford University Press. [168-193] Zaki, M. J., Meira Jr, W. (2014). Data Mining and Analysis:
VíceBiologicky inspirované výpočty. Schématické rozdělení problematiky a výuky
Biologicky inspirované výpočty Schématické rozdělení problematiky a výuky 1 Biologicky inspirované výpočty - struktura problematiky Evoluční systémy: evoluční algoritmy, evoluční hardware, víceúčelová
VíceJiří Neubauer. Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel
Katedra ekonometrie, FVL, UO Brno kancelář 69a, tel. 973 442029 email:jiri.neubauer@unob.cz Výsledky některých náhodných pokusů jsou přímo vyjádřeny číselně (např. při hodu kostkou padne 6). Náhodnou veličinou
VíceNÁHODNÝ VEKTOR. 4. cvičení
NÁHODNÝ VEKTOR 4. cvičení Náhodný vektor Náhodným vektorem rozumíme sloupcový vektor X=(X, X,, X n ) složený z náhodných veličin X, X,, X n, který je charakterizován sdruženým rozdělením pravděpodobnosti.
VíceRegresní analýza 1. Regresní analýza
Regresní analýza 1 1 Regresní funkce Regresní analýza Důležitou statistickou úlohou je hledání a zkoumání závislostí proměnných, jejichž hodnoty získáme při realizaci experimentů Vzhledem k jejich náhodnému
VíceGENETICKÝ NÁVRH KLASIFIKÁTORU S VYUŽITÍM NEURONOVÝCH SÍTÍ NEURAL NETWORKS CLASSIFIER DESIGN USING GENETIC ALGORITHM
VYSOKÉ UČENÍ TECHNICKÉ V BRNĚ BRNO UNIVERSITY OF TECHNOLOGY FAKULTA INFORMAČNÍCH TECHNOLOGIÍ ÚSTAV POČÍTAČOVÝCH SYSTÉMŮ FACULTY OF INFORMATION TECHNOLOGY DEPARTMENT OF COMPUTER SYSTEMS GENETICKÝ NÁVRH
VíceAlgoritmy a struktury neuropočítačů ASN - P10. Aplikace UNS v biomedicíně
Aplikace UNS v biomedicíně aplikace v medicíně postup při zpracování úloh Aplikace UNS v medicíně Důvod: nalezení exaktnějších, levnějších a snadnějších metod určování diagnóz pro lékaře nalezení šetrnějších
Více9. T r a n s f o r m a c e n á h o d n é v e l i č i n y
9. T r a n s f o r m a c e n á h o d n é v e l i č i n y Při popisu procesů zpracováváme vstupní údaj, hodnotu x tak, že výstupní hodnota y závisí nějakým způsobem na vstupní, je její funkcí y = f(x).
VícePravděpodobnost a její vlastnosti
Pravděpodobnost a její vlastnosti 1 Pravděpodobnost a její vlastnosti Náhodné jevy Náhodný jev je výsledek pokusu (tj. realizace určitého systému podmínek) a jeho charakteristickým rysem je, že může, ale
VíceK možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami. Josef Keder
K možnostem krátkodobé předpovědi úrovně znečištění ovzduší statistickými metodami Josef Keder Motivace Předpověď budoucí úrovně znečištění ovzduší s předstihem v řádu alespoň několika hodin má význam
Více